常用图像增强算法（MATLAB实现）：原理、代码与应用

一、引言

图像增强是计算机视觉与图像处理领域的核心技术之一，旨在通过调整图像的对比度、亮度、边缘清晰度等特征，提升视觉质量或为后续分析（如目标检测、分类）提供更优的输入。MATLAB凭借其强大的矩阵运算能力和丰富的图像处理工具箱，成为实现图像增强算法的高效平台。本文将系统介绍直方图均衡化、空域滤波增强、频域滤波增强及Retinex算法等常用方法的原理，结合MATLAB代码实现与效果对比，为开发者提供从理论到实践的完整指南。

二、直方图均衡化：基于概率分布的对比度增强

1. 算法原理

直方图均衡化通过重新分配像素灰度值，使输出图像的直方图接近均匀分布，从而扩展动态范围、增强对比度。其核心步骤为：

• 计算输入图像的灰度直方图；
• 计算累积分布函数（CDF）；
• 根据CDF映射原灰度值到新灰度值。

2. MATLAB实现

MATLAB内置histeq函数可直接实现全局直方图均衡化：

I = imread('cameraman.tif');
J = histeq(I);
subplot(1,2,1), imshow(I), title('原图');
subplot(1,2,2), imshow(J), title('直方图均衡化后');

若需手动实现以理解细节，可按以下步骤编写：

function J = my_histeq(I)
    [counts, bins] = imhist(I);
    cdf = cumsum(counts) / numel(I); % 计算CDF
    J = zeros(size(I), 'uint8');
    for k = 0:255
        J(I == k) = round(255 * cdf(k+1)); % 灰度值映射
    end
end

3. 应用场景与局限性

• 适用场景：低对比度图像（如医学影像、雾天图像）。
• 局限性：可能过度增强噪声，对高动态范围图像效果有限。
• 改进方向：自适应直方图均衡化（CLAHE），通过分块处理避免局部过曝：

  J = adapthisteq(I, 'ClipLimit', 0.02);

三、空域滤波增强：基于邻域操作的局部特征优化

1. 线性滤波（平滑与锐化）

• 平滑滤波：通过均值滤波或高斯滤波抑制噪声。
  ```matlab
  % 均值滤波
  h = fspecial(‘average’, [3 3]);
  I_smooth = imfilter(I, h);

% 高斯滤波
h_gauss = fspecial(‘gaussian’, [5 5], 2);
I_gauss = imfilter(I, h_gauss);

- **锐化滤波**：通过拉普拉斯算子增强边缘。
```matlab
h_lap = fspecial('laplacian', 0.2);
I_sharp = I - imfilter(I, h_lap); % 锐化公式：原图 - 拉普拉斯结果

2. 非线性滤波（中值滤波）

中值滤波对椒盐噪声有效，通过邻域像素中值替代中心像素：

I_noisy = imnoise(I, 'salt & pepper', 0.05);
I_median = medfilt2(I_noisy, [3 3]);

3. 频域滤波增强：基于傅里叶变换的全局优化

1. 算法流程

频域滤波的核心步骤为：

• 对图像进行傅里叶变换（fft2）；
• 设计滤波器（如低通、高通、带通）；
• 反变换回空域（ifft2）。

2. MATLAB实现示例

% 低通滤波（高斯）
[M, N] = size(I);
F = fft2(double(I));
F_shifted = fftshift(F); % 将低频移到中心
[X, Y] = meshgrid(1:N, 1:M);
D = sqrt((X-N/2).^2 + (Y-M/2).^2); % 距离矩阵
D0 = 30; % 截止频率
H = exp(-(D.^2)./(2*(D0^2))); % 高斯低通滤波器
G_shifted = F_shifted .* H;
G = ifftshift(G_shifted);
g = real(ifft2(G));
g = uint8(g);

3. 滤波器设计要点

• 低通滤波：保留低频信息（平滑），常用高斯或理想低通滤波器。
• 高通滤波：保留高频信息（边缘），可通过1 - 低通滤波器实现。
• 同态滤波：同时增强亮区与暗区，适用于光照不均图像：

  I_log = log(double(I) + 1);
  F_log = fft2(I_log);
  % 设计同态滤波器（略）
  % 反变换后取指数还原

五、Retinex算法：基于光照反射模型的增强

1. 算法原理

Retinex理论认为图像由光照分量（I）和反射分量（R）组成，即S = I × R。通过估计并去除光照影响，可增强反射分量：

% 单尺度Retinex (SSR)
sigma = 80; % 高斯核尺度
I_double = im2double(I);
F = imgaussfilt(I_double, sigma); % 估计光照
R = log(I_double + 0.01) - log(F + 0.01); % 反射分量
R_enhanced = imadjust(exp(R), [0.1 0.9], []); % 对比度拉伸

2. 多尺度Retinex (MSR)

结合不同尺度的光照估计，平衡细节与自然度：

scales = [15 80 250]; % 多尺度参数
R_msr = zeros(size(I_double));
for i = 1:length(scales)
    F = imgaussfilt(I_double, scales(i));
    R_msr = R_msr + (log(I_double + 0.01) - log(F + 0.01));
end
R_msr = R_msr / length(scales);

3. 应用效果

Retinex尤其适用于光照不均的场景（如逆光人脸、夜间图像），能显著提升暗部细节且保持色彩自然。

六、综合应用建议

1. 预处理阶段：对噪声明显的图像，优先使用中值滤波或高斯滤波去噪。
2. 对比度增强：低对比度图像优先尝试直方图均衡化或CLAHE；光照不均时采用Retinex。
3. 边缘增强：在需要突出细节的场景（如医学影像），结合拉普拉斯锐化与频域高通滤波。
4. 参数调优：通过imshowpair对比原图与处理结果，迭代调整滤波器尺度或Retinex参数。

七、总结

本文系统梳理了直方图均衡化、空域滤波、频域滤波及Retinex算法的原理与MATLAB实现，覆盖了从全局对比度调整到局部特征优化的多种场景。开发者可根据实际需求（如噪声水平、光照条件、计算效率）选择合适的算法组合。未来可进一步探索深度学习在图像增强中的应用（如基于GAN的超分辨率重建），但传统方法因其可解释性和低计算成本，仍在资源受限场景中具有重要价值。